融合优化可调Q因子小波变换的改进密度峰值聚类算法

为提升时间序列的聚类精度,提出一种融合优化可调Q因子小波变换的改进密度峰值聚类(improved density peaks clustering based on optimal tunable Q-factor wavelet transform,OTQWT-IDPC)算法,该算法利用可调Q因子小波变换的能量优化选择策略及改进粒子群优化算法确定的最佳Q因子分解时序信号,通过最优特征子带的能量、均值、标准差和模糊熵构建特征子空间,并采用主成分分析降低特征维度,以减少特征冗余。同时,考虑到距离较远而周围密集程度较大的K近邻样本对局部密度的贡献率,引入权重系数及K近邻重新定义DPC的局部密度,并利用共享最近邻描述样本间的相似性。在BONN癫痫脑电信号和CWRU滚动轴承数据集上进行对比实验,结果表明,该算法的聚类精度分别为95%、94%,且Jacarrd、FMI和F_(1)值指标均优于其他对比算法,证明了OTQWT-IDPC算法的有效性。

基于可调因子Gabor小波变换的地震高分辨处理方法

时频分析是利用地震资料识别薄层的重要方法之一,常规的时频分析方法受到固定时窗、窗函数等因素影响。为此,采用一种基于可调因子Gabor小波(Tunable Factor Gabor Wavelet,TFGW)的连续小波变换(Continuous Wavelet Transform,CWT)(简称TFGW-CWT)的时频分析方法对地震资料进行处理。该方法采用具有可调因子的Gabor小波进行变换,然后使用最小绝对值投影方法组合每个可调因子的连续小波系数,降低邻近频率的交叉干扰,提高局部时频分辨率。进一步采用非负矩阵分解(Non-negative Matrix Factorization,NMF)对时频数据体降维,得到一个低秩的特征数据结构关系体,减少了高维空间的数据冗余,凸显了高频信息,达到提高地震资料分辨率的目的。模拟记录和实际资料处理结果证实了该方法的有效性,可为薄层检测提供一种新的技术手段。

基于可调Q因子小波变换的海杂波抑制算法

针对海杂波背景下弱目标检测中存在的信杂比低的问题,提出了改进的基于可调Q因子小波变换的海杂波抑制算法。由于海杂波能量远大于目标信号能量,提出选取与海杂波振荡特性相匹配的参数进行可调Q因子小波变换,得到各小波子带的系数,并对小波系数进行稀疏优化后重构海杂波信号。为了判断弱目标信号是否存在,提出一种自适应的阈值检测方法,将原始回波信号与海杂波重构信号的差作为检测样本,实现对弱目标信号的检测。该算法不依赖海杂波具体模型。最后对某实测海杂波数据集进行实验,验证了所提算法的正确性。

基于可调品质因子小波变换和随机森林特征选择算法的电能质量复合扰动分类

针对电能质量复合扰动分类的复杂性,提出了基于可调品质因子小波变换(tunableQ-factorwavelettransform,TQWT)和随机森林特征选择算法的电能质量复合扰动分类方法。首先利用TQWT分解扰动信号,以减弱扰动分量间的耦合性,并使用提出的筛选方法选取最优子带并提取时域和频域特征;然后基于随机森林算法计算特征重要性,通过序列前向选择法去掉不相关特征和冗余特征,得到对应每种扰动标签的最优特征集;最后训练生成随机森林多标签分类模型,根据输出标签的组合得到扰动类别。仿真数据实验表明,该方法能够准确高效识别23类扰动,且抗噪能力强,提高了含暂降、含中断的复合扰动的分类准确率。并以实测数据实验证明了方法的可行性。

基于可调Q因子小波变换的识别左右手运动想象脑电模式研究

针对识别左右手运动想象脑电图信号(EEG)模式精度和互信息不高的问题,该文采用基于可调Q因子小波变换(TQWT)算法来处理脑电信号。首先,利用TQWT对脑电图信号进行分解;随后,提取子频带信号的小波系数能量、自回归模型(AR)系数以及分形维数;最后,利用线性判别分析(LDA)对提取的脑电特征进行识别。采用BCI2003和BCI2005竞赛数据对所提出的算法进行验证,4名受试者的最高识别率分别为88.11%, 89.33%,77.13%和78.80%,最大互信息分别为0.95, 0.96, 0.43和0.45。实验结果表明,所提算法取得了高分类精度及互信息值,验证了其有效性。

基于可调Q因子小波变换和谱峭度的轴承早期故障诊断方法

通过对轴承故障机理的研究,提出基于可调Q因子小波变换和谱峭度的故障诊断新方法。首先,根据冲击成分的频谱分布,预设Q因子的范围,对轴承的振动信号进行可调Q因子小波变换;其次,计算各尺度变换系数的谱峭度,利用谱峭度最大原则确定最佳的共振因子和尺度带;然后,用相邻系数降噪法处理尺度带内的变换系数,并进行逆可调Q因子小波变换重构信号;最后,求取包络谱,根据极值点的频率位置进行故障诊断。研究结果表明:该方法能有效抑制噪声和谐波成分,使提取的故障特征成分周期性明显、峭度大,使故障特征频率突出显著,验证了所提方法的有效性。

基于可调Q-因子小波变换的语音增强算法

针对语音增强算法中传统的小波阈值法的局限性,提出一种基于可调Q-因子小波变换和清浊音分离的语音增强算法。首先用过零率和短时能量法判别清音和浊音;然后在可调Q-因子小波变换下,对清、浊音采用不同的阈值处理,在不同尺度上,分别结合系数能量和噪声方差得到的阈值作为清音和浊音的阈值确定准则;再利用改进的阈值函数分别处理清音和浊音的小波系数,估计出不含噪声的系数;最后进行小波逆变换,得到抑制了噪声的语音信号。对含有高斯白噪声和有色噪声的语音进行仿真实验,结果表明:与目前许多经典的去噪方法相比,该方法在去噪效果和提高语音可懂度方面均有一定的改善。

品质因子可调小波变换在谐波/间谐波检测中的应用

为有效抑制多种噪声,将一种品质因子可调小波变换(TQWT)应用于谐波/间谐波检测中。首先利用谐波/间谐波信号与噪声信号品质因子的不同,从检测信号中分离出谐波/间谐波信号,然后根据奇异值差分谱进行模型定阶,采用总体最小二乘-旋转矢量不变技术(TLS-ESPRIT)实现谐波/间谐波信号参数的有效提取。分别针对数值仿真信号、实测电弧炉电流信号进行分析,结果表明:与总体经验模态分解相比,TQWT有效削弱了随机噪声和脉冲干扰,较好地保留了信号的主要特征;TQWT与TLS-ESPRIT算法相结合,提高了强噪声背景下谐波/间谐波参数的检测精度。

基于品质因子可调小波变换与排列熵的电能质量信号检测方法

为有效检测电能质量信号,提出一种基于品质因子可调小波变换(TQWT)与排列熵的检测方法。方法利用电能质量信号与噪声信号品质因子的不同,通过品质因子小波变换将信号分解为高共振分量(电能质量信号)、低共振分量(脉冲噪声)及余项(随机噪声),从而实现电能质量信号与脉冲噪声和随机噪声的分离。通过排列熵值的变化检测出信号的突变点,捕捉扰动信号的起止时刻。该方法可有效抑制脉冲噪声与随机噪声,且波形畸变小、扰动特征提取准确。仿真结果验证了所提方法的可行性与有效性。

基于可调Q因子小波变换与稀疏时域法的电力系统低频振荡模态辨识

对于目前电力系统低频振荡模式识别和参数提取中的噪声干扰等问题,提出一种新的提取低频振荡关键模态参数的方法,将可调Q因子小波变换(Tunable Q factor Wavelet Transform,TQWT)和稀疏时域法(Sparse Time Domain method,STD)进行联合。首先运用TQWT技术对含有噪声的电力系统低频振荡广域测量信号进行预处理,达到降噪的目的。而后将处理后的信号作为新的输入信号,利用稀疏时域法进行振荡模态及其参数的辨识,其输入信号的采集既可单点测量也可多点测量。通过对测试信号和EPRI-36机系统仿真验证了所提方法的优越性,能够在信噪比较低的环境下对噪声进行有效抑制而准确地辨识出系统的振荡模态参数。与传统方法相比具有更好的抗噪能力,所提方法辨识过程中所需时间更短且辨识出的参数也更为准确。

基于可调Q因子小波变换和迁移学习的癫痫脑电信号检测

针对癫痫脑电信号的检测问题,提出一种基于可调Q因子小波变换和迁移学习的癫痫脑电信号检测方法。首先,对EEG信号进行可调Q因子小波变换,并选择能量差异较大的子带进行部分重构,重排重构信号,将其表示为二维彩色图像数据;其次,通过对现有的癫痫发作自动检测算法和深度可分离卷积网络Xception模型的分析,使用ImageNet数据集分类的预训练模型参数进行网络参数初始化,得到深度可分离卷积网络Xception的预训练模型;最后,利用迁移学习方法将Xception模型的预训练结果迁移至癫痫发作自动检测任务。所提方法在BONN癫痫数据集上的准确度达到99.37%,敏感度达到100%,特异度达到98.48%,证明了该模型在癫痫发作自动检测任务上具有良好的泛化能力。与传统检测方法和其他深度学习方法相比,所提自动检测方法达到了较高的准确率,避免了人工设计和提取特征的过程,具有较好的应用价值。

基于可调品质因子小波和簇稀疏增强的磁异常信号特征提取研究

在磁异常信号目标探测中,由于存在背景噪声的干扰,导致采集到的磁信号中的有用特征极其微弱,从而极大地增加了特征提取的难度。文章提出了一种基于重叠簇收缩算法的可调品质因子小波变换的稀疏特征提取方法。与传统的固定品质因子值相比,该方法可根据信号的振荡特性调整品质因子,从而有效地诱导稀疏;此外,重叠簇收缩算法可有效地从具有簇特性的信号中提取微弱特征,从而增强特征的提取精度。经工程验证,将该方法应用于磁异常信号特征提取,可从复杂背景干扰信号中精确地提取出有用的稀疏目标特征。

基于可调Q因子的煤矿井下电力系统谐波检测与抑制系统设计

针对谐波对煤矿井下电力系统产生严重扰动并且还耗费较多无功等问题,同时结合基于瞬时无功功率理论的谐波检测方法在三相四线制电路的应用局限性,采用可调Q因子小波变换改进瞬时无功功率理论对谐波总含量进行检测。运用MATLAB/SIMULINK创建三相四线制有源滤波器的仿真模型,将其使用到有源滤波器的谐波检测模块中,设置相应的仿真参数,根据仿真结果分析该有源滤波器的谐波抑制效果,很好的改善了煤矿电能质量。

EEG信号识别中可调优化Q因子小波变换的多特征融合算法

EEG信号对脑部疾病诊断具有重要意义,但其特征选择对信号识别准确率影响较大.针对这个问题,本文基于Q因子小波变换,提出一种可调优化Q因子小波变换融合多维特征的脑电信号识别(Ad-TQWT MF)算法.该算法首先根据小波分解后的子带信号定义能量香农熵比,用其作为可调Q因子小波的优化评价标准;再融合变换后信号的时域,频域和非线性特征,通过自适应特征选择方法构建特征子空间;最后在该特征子空间下对脑电信号进行识别.在BCI脑电竞赛数据集DatasetⅢ,O3VR,X11b和S4b进行了实验,实验结果表明:Ad-TQWT MF算法在LDA分类器中精度为89.2%,81.2%,83.2%和85.6%,相比于原Q因子小波变换,冗余特征减少10%~30%,相较于Haar和Db 4小波精度提高3%~5%,证明了Ad-TQWT MF算法的有效性.

基于可调Q因子小波变换的芯片图像去噪研究

噪声会降低芯片图像的字符识别准确率,为了去除芯片图像的噪声干扰,并保留芯片图像的字符细节,提出了基于参数优化的可调Q因子小波变换(TQWT)的芯片图像去噪方法。首先根据图片的弱纹理区域,使用极大似然估计来估计噪声强度,进而优化TQWT的参数。然后,根据最优参数,使用TQWT对含噪图像沿水平和竖直方向分解,剔除高频噪声子带,使用剩余子带进行重构去噪。实验表明,优化参数后的TQWT能将噪声完全分离,可以在去噪的同时保留字符的细节信息,在视觉效果、峰值信噪比和结构相似性上都优于对比算法。

基于自适应TQWT与小波包奇异谱熵的滚动轴承早期故障诊断

滚动轴承早期故障诊断可有效地保证机械设备的运行安全,针对滚动轴承早期故障特征微弱,故障特征提取不佳的问题,提出可调品质因子小波变换(Tunable Q-factor wavelet transform,TQWT)与小波包奇异谱熵相结合提取特征的滚动轴承早期故障诊断方法。针对滚动轴承早期故障信号的冲击性与周期性特征,提出峭谱积(峭度和包络谱峰值因子的乘积,KEc)的新指标。以KEc为优化指标,采用网格搜索法确定TQWT最佳的品质因子Q,同时以中心频率比为优化指标,确定最佳的分解层数J。通过最佳参数Q和J对原始信号进行TQWT分解并单支重构,选择KEc最大的重构分量作为最佳分量。提取最佳分量的小波包奇异谱熵值作为故障特征向量,最后运用支持向量机(SVM)进行模式识别并进行早期故障诊断。为验证所提方法的有效性,以XJTU-SY滚动轴承加速寿命试验平台研究对象,运用加速度传感器获取的试验数据集进行验证,识别结果准确率为94.5%。同时,与优化指标为峭度等的SVM识别结果进行比较,所提方法识别率提高了约1%~7%。对比结果表明,运用所提方法对滚动轴承早期故障进行识别,可以准确有效地诊断出轴承的故障类型,具有一定的实用价值。

基于CEEMDAN‑TQWT方法的变压器局部放电信号降噪

针对传统方法处理局部放电信号时存在振荡明显、消噪不彻底等问题,采用基于自适应白噪声完备集成经验模态分解(complete ensemble empirical model decomposition with adaptive noise,CEEMDAN)与可调品质因子小波变换(tunable Q⁃factor wavelet transform,TQWT)相结合的方法对局部放电信号进行消噪处理。采用CEEMDAN将含噪变压器局部放电信号分解成多个固有模态函数(intrinsic mode function,IMF)分量,并利用相关系数判断IMF分量与原始信号的相关度。将弱相关者视为劣质IMF,对其进行TQWT分解,利用能量占比与峭度指标来筛选小波子带,提取IMF的有效细节信息,进行TQWT逆变换,从而得到新的IMF分量;将强相关者视为优质IMF,与变换后的新IMF分量共同进行信号重构,得到消噪结果。仿真及实测信号分析验证了该方法的有效性和实用性,相比传统的经验模态分解(empirical mode decomposition,EMD)方法,仿真信号经所提方法去噪后的波形失真百分比下降了44.94%;相较于仅使用CEEMDAN,现场信号经所提方法去噪后的噪声抑制比提高了26.64%。

自适应TQWT滤波器算法及其在冲击特征提取中的应用

微弱故障的冲击特征提取,对于旋转机械设备平稳工况下的状态监测与诊断至关重要。针对强背景噪声下机械故障微弱冲击特征有效提取的难题,提出基于自适应可调品质因子小波变换(TQWT)滤波器的冲击特征提取算法。TQWT作为新兴的频域显式小波构造理论,具有匹配特定振荡行为信号成分、可利用FFT算法快速实现的优点。所提自适应TQWT滤波器算法,主要涉及TQWT参数(品质因子Q、冗余度r以及分解层数J)的优化选择以及最优特征子带的自适应选择,不依赖于先验知识。算法根据所提出的中心频率比指标以及能量加权归一化小波熵,分别对分解层数以及品质因子和冗余度进行优化选择,构造出适合揭示冲击信号成分振荡行为的优化可调品质因子小波基函数,进而利用冲击特征指标引导含冲击特征信息的最优特征子带选择,最后利用TQWT逆变换实现信号的重构与降噪,提取周期性微弱冲击特征。仿真试验与实测轴承信号的分析结果表明,算法能够自适应选择TQWT参数并实现微弱冲击特征的有效提取。

基于优化TQWT和LE的变压器绕组状态检测

为实现短路冲击下变压器绕组状态的准确检测,提出了优化可调品质因子小波变换(TQWT)和拉普拉斯特征映射(LE)相结合的方法对变压器短路冲击下的振动信号进行分析。提出归一化奇异值熵作为TQWT分解过程中关键特征参数的选取准则,然后对TQWT分解后的振动信号子带能量序列进行LE,用以获取表征绕组状态的振动信号敏感特征。对某110 kV变压器短路冲击试验下振动信号的计算结果表明:优化TQWT算法可有效提高短路暂态振动信号分解的准确性,经LE获取的振动信号敏感特征可更加清晰地反映变压器绕组机械状态的劣化过程。当特征向量距离的变化超过3倍时,需要重点关注变压器绕组状态,从而为变压器绕组状态检修策略的制定提供依据。

基于PEGIES和TQWT的滚动轴承故障特征提取

针对滚动轴承在强背景噪声下周期性冲击特征难以提取的问题,提出一种基于周期增强的包络谱基尼系数(periodically enhanced Gini index of the envelope spettrum,PEGIES)和可调品质因子小波变换(tunable Q-factor wavelet transform,TQWT)相结合的滚动轴承故障特征提取方法。首先,以PEGIES为TQWT分解效果的评判指标,事先设定品质因子Q和冗余度迭代范围区间,以中心频率比CFR为阈值指标及最大分解层数公式确定对应品质因子Q分解下的最佳分解层数J。通过网格搜索的方式确定最佳品质因子Q,得到其对应的TQWT分解重构子带,选取大于PEGIES均值的子带进行合并处理得到最佳分量,通过Hilbert包络解调得到故障特征。为验证方法的有效性,将XJTU-SY滚动轴承加速寿命实验数据集和DDS(drivetrain diagnostics simulator)实验台实测信号作为研究对象,结合仿真信号结果,与其他方法进行对比,证实本文所提方法能在一定程度上降低转频的干扰,具有更好的故障特征比,能实现更加准确的诊断。